دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Boris Belousov, Hany Abdulsamad, Pascal Klink, Simone Parisi, Jan Peters سری: ISBN (شابک) : 9783030411886, 9780878932863 ناشر: Springer International Publishing سال نشر: 2021 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 مگابایت
در صورت تبدیل فایل کتاب Reinforcement Learning Algorithms: Analysis and Applications به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب الگوریتم های یادگیری تقویت: تجزیه و تحلیل و کاربردها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب به بررسی تحولات تحقیقاتی در زمینههای مختلف یادگیری تقویتی مانند روشهای منتقد بدون مدل، یادگیری و کنترل مبتنی بر مدل، هندسه اطلاعات جستجوهای خطمشی، طراحی پاداش، و کاوش در زیستشناسی و علوم رفتاری میپردازد. تاکید ویژه بر ایده ها، الگوریتم ها، روش ها و برنامه های پیشرفته است. مقالات ارائه شده در اینجا حاصل یک دوره سخنرانی در مورد یادگیری تقویتی است که توسط پروفسور یان پیترز در ترم زمستان 2018/2019 در دانشگاه فنی دارمشتات برگزار شد. این کتاب برای دانشآموزان و محققان تقویتی با درک قوی از جبر خطی، آمار و بهینهسازی در نظر گرفته شده است. با این وجود، تمام مفاهیم کلیدی در هر فصل معرفی میشوند و محتوا را خودکفا و برای مخاطبان وسیعتری در دسترس قرار میدهند.
This book reviews research developments in diverse areas of reinforcement learning such as model-free actor-critic methods, model-based learning and control, information geometry of policy searches, reward design, and exploration in biology and the behavioral sciences. Special emphasis is placed on advanced ideas, algorithms, methods, and applications. The contributed papers gathered here grew out of a lecture course on reinforcement learning held by Prof. Jan Peters in the winter semester 2018/2019 at Technische Universität Darmstadt. The book is intended for reinforcement learning students and researchers with a firm grasp of linear algebra, statistics, and optimization. Nevertheless, all key concepts are introduced in each chapter, making the content self-contained and accessible to a broader audience.